過去企業部署AI應用時，通常將AI看做一項技術創新，總在某些單項應用上做基于AI的單點突破，盡管解決了一些具體問題，但從整個企業流程的維度上，這種提升其實微乎其微。

其實，企業AI要走向成熟，就必須要突破AI的規模化應用。對此，用友網絡副總裁羅小江表示，“DeepSeek大模型的出現，可以做到真正意義上的普惠大眾、讓企業擁抱AI。過去的AI應用還停留在交流問話等基礎應用，現在要構建的企業AI，則是可信任、可追溯的AI。”

這不僅要求企業以一種“AI原生”的視角來重新審視整個AI戰略的可行性，還需要建設統一的數智底座，支撐企業從流程到應用的全面AI化。

01

AI原生視角重構企業數智化架構

DeepSeek橫空出世，引發了很多基于企業AI的討論。有一種聲音認為：除了過去大家關注較多的“AI可以幫助企業做什么”這個問題，企業更需要明白“在推動AI之前需要做好哪些準備”。

這其實就是一種AI原生的視角。羅小江認為，“AI原生視角，代表我們要從AI的底層邏輯去看業務。這不僅可以充分利用AI所有的能力，更重要的是可以從模型視角，根據組織流程和邏輯去設計業務。”

的確，在傳統AI時代，企業智能化更多是“工具疊加”的邏輯。智能平臺、人才畫像等應用本質仍是基于規則的系統優化。但大模型技術的突破，徹底改變了游戲規則，AI不再是被集成的工具，而是重構企業架構的原生力量。

這種重構體現在幾個維度：

首先，是開發范式的顛覆。傳統軟件開發從需求調研到測試部署要經歷12個環節，耗時且漫長。而AI全生命周期參與開發，可以將整個流程壓縮為“需求輸入-結果交付”的極簡模式。比如用友iuap數智底座的開發平臺，就已實現基于行業知識庫的自動化詳細設計生成，數據庫設計、前后端代碼生成等能力，開發效率得以大幅提升。

其次，是應對數據治理的難題，本質上也缺乏AI原生的視角。“傳統數據庫更多是給人去訪問的，而真正意義上agent，應該是要數據結果，并不需要我們去編SQL語句，自然語言就能夠從數據底層去溝通數據。”羅小江說。

現在有了大模型，AI能自動讀懂主數據、生成管理體系，還能把散落在各個系統里的非結構化數據，比如合同、會議紀要轉化成結構化知識。比如用友iuap的數據平臺，通過大模型對行業知識和標準的內化吸收，可以生成最接近實戰的企業應用，極大降低了企業數據治理的難度。

最后，是克服來自安全的挑戰。在國產化的浪潮下，企業既要部署AI大模型提升效率，又要守住數據主權，實現從底層硬件到上層應用全鏈路可控。那么，就誕生了國產大模型和國產軟件的組合，幫助企業走通企業AI的可信之路。

很明顯，要應對這一系列變革，企業需要打造具備企業AI基因的，統一的新型數智底座。

02

AI原生

要求升級統一數智底座

在AI原生視角下，傳統架構與AI原生需求在開發范式、數據治理和交互邏輯等方面存在根本性矛盾，這使得企業架構必須實現系統性重構。

因此，需要建設統一數智底座，打破系統壁壘、建立智能中樞、沉淀行業知識，最終讓AI真正融入企業業務血脈，而非浮于表面。

首先，統一就代表著AI原生視角下的企業業務需要是連續的。

羅小江指出，“很多企業部署大模型后發現，業務連續性問題依然嚴重，這不單單是孤島問題，還有很多基本要求，比如數據的標準，流程的規則一致性，再比如架構體系，成本中心，怎么做統一、做歸集，標準體系還要足夠堅固。因為必須要有完整的組織代碼，帶來的結果才能是相對準確的。”

其次，在企業從信息化到數智化的過程中，有很多歷史性的包袱，不同的業務有不同的系統，這些系統之間也存在“斷點”，這同樣是業務連續性的重要挑戰。“數據基礎不夠好，鏈條不完整，為AI提供基本養分就不夠高，沒有高質量的燃料就會容易熄火。”羅小江說。

所以，從架構、流程、數據、安全、標準五個方面著手構建一個統一的數智底座，是通向企業AI之路的基本原則。

但是，每家企業的技術背景和底座搭建的程度各不相同，要如何構建統一的數智底座呢？

羅小江提出一個循序漸進的可行性方案：第一步先做到架構一致性，要建設一個能夠拉通所有業務的開發平臺，先把不同系統之間的斷點拉平；第二步，就是建立統一的數據平臺，讓數據在數據平臺里做聚合，對包括結構化和非結構化在內的全量數據進行數據治理；第三部則是業務運營，結合數據運營去做數據供給，進一步拉通數據基礎和AI應用之間的斷層。

這種思路已經被用友踐行在很多實際的客戶實踐中，比如，在遠東數智采的案例中，就通過用友BIP建設開發平臺去拉通客戶集采、采購和商場業務的完整流程。在梳理好業務流程之后，幫助客戶規范了不同行業采購的數據標準，進行數據拉通。最終遠東數智化通過企業服務大模型，完成海量的標書完成智能化搜索、快速智能撰寫標書，智能投標評審、交易價格預測等招采業務的全周期支撐。讓公共資源交易服務平臺安全可信，成為了企業AI落地的標桿。

這樣的案例其實在用友比比皆是，用友BIP統一數智底座iuap的方法論和不斷進化，本質上也源于大量客戶需求的反饋，將數智底座融入企業實踐，才形成了大模型時代數智新底座的新范例。

03

中國企業部署AI戰略

需要國產軟件+國產大模型

當前，國產化信創向縱深推進，中國企業正面臨雙重命題：既要保證自主安全，不被技術封鎖裹挾，又要把握大模型帶來的數智化轉型機遇。這場變革的本質，是構建從芯片到軟件、從算力到模型的完整自主技術閉環。

因此，基于統一數智底座，構建“中國軟件+中國大模型”，已是中國企業部署AI戰略的時代命題。

當然，我們不僅要替代，更要能創新，能進化，能推動業務效率有效提升。這就要求既要有可形成標準的“中國大模型”，也要有理解所有企業業務邏輯的“中國軟件”。

如羅小江所說，“當前國產化硬件的發展速度很快，已經可以很好的承擔算力層的要求，但國產化的勝利一定不是單純的硬件或是軟件，而是整個國產化生態的勝利。”

首先，DeepSeek作為“中國大模型”誕生以來，一定程度上解決了大模型選型的問題，大家都在圍繞DeepSeek做調優，這就形成了一定程度的標準化，效率就會提升很多。

同時，大模型要發揮足夠價值，必須要在業務中體現，這就需要企業軟件與大模型在融合中發揮更多價值。

而用友iuap平臺已經成為很多大型企業的統一數智底座。它從進入市場以來，15年間不斷的進化，如今以用友企業服務大模型 YonGPT作為開放技術生態的底層支撐，并以云技術平臺向上為應用平臺、數據平臺、智能平臺、開發平臺和連接集成平臺“輸送養分”。

同時，用友也在構建安全、可信任的環境，并把開發構建在可信的底座上去向上做支撐。為“中國軟件+中國大模型”的演進增加了新的注解。

客觀地說，中國企業的數智化轉型，需要的不是某一個大模型或是AI工具，而是一個以統一數據為血脈、AI原生為筋骨、國產化技術為基因的數智底座。這也恰是用友建設統一數智底座的的底層邏輯，也是企業AI走向規模化應用的“中國解法”。